Bộ Thương mại Mỹ vừa trao 500 triệu USD cho SandboxAQ, startup tách ra từ Alphabet (GOOGL), để phát triển nền tảng khám phá vật liệu bán dẫn bằng AI. Mục tiêu là thay thế hóa chất PFAS độc hại, tìm nam châm không cần đất hiếm và phát triển chất xúc tác mới cho ngành chip. Nhưng cụ thể, "khám phá vật liệu bằng AI" hoạt động ra sao?

Bài toán: Mò kim đáy bể

Phát triển vật liệu mới theo cách truyền thống giống như thử sai có hệ thống. Một nhà khoa học tổng hợp một hợp chất, đo các tính chất vật lý, điều chỉnh công thức, rồi lặp lại. Quy trình này tốn trung bình 10-20 năm từ phòng thí nghiệm đến sản xuất công nghiệp. Với bán dẫn, vấn đề càng khó hơn vì không gian tìm kiếm cực kỳ lớn: chỉ riêng việc kết hợp các nguyên tố trong bảng tuần hoàn đã tạo ra hàng tỷ cấu trúc tiềm năng.

Tầng 1: Mô phỏng vật lý từ nguyên lý đầu tiên

Nền tảng của SandboxAQ bắt đầu từ mô phỏng theo nguyên lý đầu tiên, tức mô phỏng hành vi của phân tử dựa trên các phương trình cơ học lượng tử, không phụ thuộc dữ liệu thực nghiệm trước đó. Cụ thể, hệ thống giải phương trình Schrödinger, hoặc các dạng xấp xỉ như DFT (thuyết phiếm hàm mật độ), để dự đoán cách electron tương tác trong một cấu trúc phân tử nhất định. Từ đó, hệ thống có thể tính ra các tính chất vật lý như độ dẫn điện, độ bền nhiệt, khả năng chống ăn mòn mà không cần tổng hợp vật liệu thật.

Chẳng hạn, nếu muốn thiết kế một hóa chất thay thế PFAS cho quá trình khắc chip bán dẫn, thay vì thử hàng trăm công thức trong phòng thí nghiệm, bạn mô phỏng cấu trúc điện tử của từng ứng viên trên máy tính. Mỗi lần chạy mô phỏng mất vài phút thay vì vài tuần thí nghiệm.

Tầng 2: AI tối ưu hóa không gian tìm kiếm

Đây là lúc học máy phát huy tác dụng. Sau khi mô phỏng vật lý tạo ra tập dữ liệu huấn luyện ban đầu, gồm vài nghìn phân tử đã được tính toán đầy đủ, hệ thống sẽ huấn luyện mô hình dự đoán, thường là mạng nơ-ron đồ thị (GNN), để ước lượng tính chất của các phân tử mới mà không cần chạy lại toàn bộ mô phỏng lượng tử. GNN phù hợp với bài toán này vì phân tử vốn có thể biểu diễn dưới dạng đồ thị: nguyên tử là nút, còn liên kết hóa học là cạnh.

Với mô hình dự đoán này, hệ thống có thể sàng lọc hàng triệu ứng viên chỉ trong vài giờ thay vì mất hàng chục năm. Các thuật toán tối ưu như Bayesian optimization hay evolutionary algorithms sẽ liên tục đề xuất những cấu trúc mới có khả năng cao đáp ứng yêu cầu, rồi chuyển lại cho bước mô phỏng vật lý để xác nhận. Vòng lặp này chạy tự động, mỗi lần lặp cải thiện độ chính xác của mô hình.

Tầng 3: Xác nhận thực nghiệm

Khi AI rút gọn danh sách từ hàng triệu xuống còn vài chục ứng viên triển vọng nhất, các nhà khoa học sẽ chuyển chúng sang phòng thí nghiệm để tổng hợp và kiểm tra thực tế. Bước này không thể bỏ qua vì mô phỏng luôn có sai số, và một số tính chất (độ bền cơ học dài hạn, khả năng sản xuất ở quy mô lớn) khó mô phỏng chính xác.

Điểm nổi bật của nền tảng này nằm ở phạm vi ứng dụng. Bốn lĩnh vực trọng tâm của hợp đồng CHIPS Act bao gồm: hóa chất xử lý không chứa PFAS (nhóm "hóa chất vĩnh viễn" đang bị cấm dần trên toàn cầu), chất xúc tác mới cho các phản ứng trong sản xuất wafer, nam châm không cần đất hiếm (giảm phụ thuộc vào Trung Quốc vốn kiểm soát hơn 60% nguồn cung đất hiếm toàn cầu), và hệ thống pin dự phòng cho nhà máy chip.

Theo thỏa thuận, Bộ Thương mại Mỹ sẽ nhận cổ phần thiểu số không có quyền biểu quyết tại SandboxAQ. Đây là cấu trúc hiếm gặp, cho thấy chính phủ xem khoản tiền này là đầu tư chiến lược, thay vì chỉ tài trợ nghiên cứu.